中兴EmbodiedBrain模型，让具身大脑学会复杂规划

文：奇史怪谈

编辑：奇史怪谈

中兴星云大脑EmbodiedBrain，突破具身智能瓶颈的全链路创新方案中兴星云大脑团队最近甩出了一个大动作，直接推出了具身视觉-语言基础模型EmbodiedBrain。

这事儿在具身智能圈子里还挺有分量的，毕竟现在不少大模型在物理场景里干活都有点“水土不服”。

AGI想落地物理世界，具身智能Agents是绕不开的关键。

本来想，传统多模态模型顶多能看懂图听懂话，能执行物理任务的应该不多，但后来发现，EmbodiedBrain的架构设计还真解决了不少老问题。

它以Qwen2.5-VL为基础，搞了个模块化编码器-解码器架构，把感知、推理、行动这三步捏到了一起。

原生分辨率视觉Transformer负责抓图像细节，还加了二维旋转位置编码，空间几何关系能精准保留。

轻量级MLP融合器则当了个“翻译官”，把视觉特征和语言信息对齐到一个维度。

以解码器为核心，进一步增强了对长视频时序的理解能力。

它宛如中枢，精准把握长视频时间序列脉络，让相关处理更为高效、精准。

整个流程下来，输入图像和指令后，模型会输出自然语言反馈、分步规划和可执行动作序列。

就拿取番茄加热的任务来说，它能生成清晰步骤和对应动作，直接实现从理解到执行的闭环。

很显然，这种架构设计比传统割裂式的模型更适配物理场景的需求。

模型架构搭得好，数据和训练也得跟上。

很多具身模型栽就栽在数据和任务需求脱节上，EmbodiedBrain在这方面就做了针对性设计。

它构建了规划中心型结构化数据格式，将用户查询、模型响应、规划步骤与底层动作进行层级对应，实现高层目标与底层执行的精准对齐，提升了整体运行的协调性与效率。

训练数据被细致划分为四大类别，且历经多轮严格筛选。

每一轮筛选皆为精益求精，旨在全方位确保数据的高质量，为后续工作筑牢根基。

训练策略则是两阶段模式，先做监督微调，再搞强化学习。

尤其是创新的Step-GRPO方法，会给模型加1到3步前置规划提示，把长任务拆成子问题。

同时配套的多维度奖励系统，能从多个维度评估模型表现。

如此看来，这套训练体系刚好能解决长程规划稳定性差、收敛慢的老毛病，还顺带提升了20%左右的训练效率。

三维评估验证真实能力模型好不好，得用真本事说话。

技术突破之后，中兴团队选择把EmbodiedBrain的训练数据、模型权重和评估方法全开源了，还顺带放出了自研的仿真基准。

搞不清为啥有些团队总捂着技术不撒手，其实开源才能让行业整体进步。

团队还明确了未来的两大方向，一个是探索多智能体协同机制，另一个是研究领域随机化技术适配真实机器人。

从产业维度审视，此套技术框架具备极高的应用价值，可直接应用于家庭服务机器人或工业协作机器人领域，为相关产业发展注入新的活力。

并非明智之举的是，此前不少方案只停留在学术层面，而EmbodiedBrain则打通了学术研究和产业落地的链路。

它不仅在技术上突破了具身智能的性能边界，还为AGI落地物理世界提供了可复用的模板，给整个行业都指了条新路子。

AGI走向物理世界的路上，具身智能是关键一步。

中兴星云大脑团队的这次尝试，刚好踩中了行业痛点，也拿出了实打实的解决方案。

未来随着多智能体协同和跨平台适配的推进，具身智能或许会更快走进普通人的生活，那些能自主完成家务、协作工业生产的智能体，可能比我们想的来得更早。

不知道您对此有什么看法呢？欢迎在下方评论区留下你的想法，喜欢文章记得点赞关注我们下期再见。